LangGraph

「低层编排框架」 —— 官方自述用词很克制，注意那个 low-level：

模型与开放条件

LangGraph 本身不谈模型 —— 这是它作为低层框架的设计取向。 README 的五项能力（durable execution / HITL / memory / LangSmith 调试 / 生产部署） 全部与模型无关，没有一处列出 provider。 官方生态位是 LangChain 全家桶：模型接入通常经 LangChain 的集成层 （这也意味着你可能需要装 langchain 及其 provider 包才能接模型， ⚠ 但 LangGraph 官方明确说了"can be used without LangChain" —— README 末尾原文： "LangGraph is built by LangChain Inc, the creators of LangChain, but can be used without LangChain"， 这句是本站判断「不是强绑定」的关键依据。零依赖直连哪些 provider 未核验。

运行位置

纯库，没有运行时服务。 安装就是 pip install -U langgraph， 没有 CLI 启服务、没有容器编排命令、没有 Web UI（Web UI 在 Deep Agents / LangSmith 那侧）。 官方把运行形态交给两处：你自己跑，或 LangSmith Deployment（独立商业平台）。 ⚠ 未核验：LangGraph 应用在生产环境的推荐部署形态（官方指向 LangSmith， 而 LangSmith 是收费产品 —— 这意味着「怎么部署」这个问题的答案落在一个商业产品上）。

本地文件

⚠ 不在 LangGraph 的职责范围内，这一点要说清。 README 讲文件系统的唯一位置是把 Deep Agents 作为高层包推荐 （"leverage file systems for complex tasks"）， 即文件能力被归到上层封装，而不是底层图引擎。 LangGraph 本身给的是状态容器（checkpoint 里存的是 graph state）， 至于 agent 要不要读写磁盘、用什么工具读写，不归它管。 本站判断（推断）：想要文件系统，得自己接工具或走 Deep Agents 那一层。

关机后的任务

这是它最强的一维，且有官方明文。 README 特性列表第一条 Durable execution： "Build agents that persist through failures and can run for extended periods, automatically resuming from exactly where they left off." 配套是独立子包 langgraph-checkpoint（核验 libs/checkpoint）： Checkpointers "provide a persistence layer for LangGraph: they save graph state at every superstep, enabling human-in-the-loop, memory between interactions, durable execution, and more." ⚠ 这句话是本站见过对「状态持久化」最明确的官方定义—— 落盘粒度是 superstep（图的一个步进），不是「会话结束时」也不是「每轮对话后」。 ⚠ 但要诚实：跨机器 / 多进程并发下的恢复语义本站未核验， checkpoint 的并发写与冲突处理需要自己确认。

工具与扩展

⚠ 本维度也是 LangGraph 明确不负责的。 README 五项能力里没有工具系统；工具接入经 LangChain 生态 （本站判断：LangGraph 负责图与状态，工具由LangChain 或你自己的函数提供）。 本站不把它与本站 MCP 站的9 个 server 关联 —— 没有证据表明 LangGraph 自带 MCP 客户端。 ⚠ LangChain 生态是否有统一 MCP 接入层，本次未核验。

上下文与记忆

⚠ 这一维度是本站最想强调的一条：LangGraph 把「状态」和「记忆」分开给了两套机制。 README 特性列表第三条 Comprehensive memory 原文： "Create truly stateful agents with both short-term working memory for ongoing reasoning and long-term persistent memory across sessions." 这句话里两个时间尺度的区分，正是本站「状态 ≠ 上下文」主张的同构表达 —— checkpoint 存的是流程状态（状态面）， 而 memory 是另设的一层（记忆面），两者不是一个东西。 ⚠ 未核验：memory 的短期部分具体如何裁剪上下文（是否就是压缩/摘要）、 长期记忆的存储后端与检索方式、本站所需的「大工具输出落盘」是否属其能力范围。 但有一点可以确定：它是本站收录对象里唯一在README 首屏就明确区分 「working memory」与「persistent memory across sessions」 的。

权限与限制

官方给的是 human-in-the-loop，且是「检查并修改状态」级别，不只是确认。 README 特性列表第二条原文： "Seamlessly incorporate human oversight by inspecting and modifying agent state at any point during execution." 文档在 langgraph/interrupts。 与其它对象对比，这一点有实质差别（三者的介入层次递进， 此处用行内列举是因为本解析器不支持嵌套块内的列表写法）： OpenAI Agents SDK 的 guardrail 是校验内容（输入/输出合不合规）、 Google ADK 的 Tool Confirmation 是拦执行（这个工具要不要跑）、 LangGraph 的 interrupts 是改状态（在任意执行点检查并修改图的状态）。 ⚠ 但要说清：它明确给的不是沙箱或权限边界。 README 未提及文件系统权限模型、网络访问控制、工具级白名单 —— 与本站收录的 OpenHands（明确的 Docker 沙箱 + API key 机制）、 Codex SDK（源码里三档 SandboxMode 枚举）形成对照， LangGraph 在这一维度上目前查不到官方机制。

适合什么任务

适合：agent 流程要跑很久且必须能从中断处精确恢复； 需要人工在流程中间介入并修改状态；要把「工作记忆」与「跨会话长期记忆」分开管理； 需要显式图结构（分支、循环、子图）；团队用 Python。 不适合：需要内建沙箱或文件级权限边界（本站未核验其机制）； 想要开箱即用的文件系统与子代理（走 Deep Agents，它是 LangGraph 上的高层包）； 不想额外依赖 LangChain 生态（模型接入通常要经它）。

本页由 ai-coding-agent-atlas 数据层生成（CC BY 4.0）。 方法论与坐标系定义见仓库内 METHODOLOGY.md。